一种基于列车司机在途疲劳状态检测及预警的方法

摘  要：针对列车司机肤色与背景图的聚类分布特性较好分离，而且具备高斯两维独立分布，可将列车司机图像分布区域与列车驾驶室内部背景图很好地分开，将列车司机的头部信息，作为人脸检测定位算法的原始训练集。反复修改训练列车司机图像数据的权值分布，最终将背景图像剔除掉，得到列车司机的人脸图像。确认人脸区域后进一步确认眼睛位置，实现级联结构增强的定位识别，在利用眼睛状态判定时，则用眼部和嘴部的融合状态判断驾驶员是否疲劳，相对提高了疲劳判断的全面性和准确性。

关键词：疲劳驾驶;智能联动检测;眼睛状态判断;人脸检测率

中图分类号：TP391.4                 文献标识码：A文章编号：2096-4706（2021）20-0098-05

A Method of Detection and Early Warning Based on the Transit Fatigue

State of Train Driver

JIANG Yuelong

（Guangzhou Railway Polytechnic， Guangzhou 510430， China）

Abstract： For the clustering distribution characteristics of the train drivers skin color and the background image is easy to separate， and has Gaussian two-dimensional independent distribution. The distribution area of the train drivers image can be well separated from the background image inside the train cab. The head information of the train driver is used as the original training set of the face detection and location algorithm. Repeatedly modify and train the weight distribution of the data of the train driver image， and the background image is removed finally to get the face image of the train driver. After confirming the face area， further confirm the eye position to realize the location recognition enhanced by the cascade structure. When determining through the eye state， the fusion state of eye and mouth is used to judge whether the driver is tired， it relatively improves the comprehensiveness and accuracy of fatigue judgment.

Keywords： fatigue driving; intelligent linkage detection; judgment of eye state; face detection rate

0  引  言

在軌道交通运营过程中，由于整个城市轨道交通系统是错综复杂的，在列车行驶过程中如出现任何故障都会造成一定损失，为了有效地保障轨道交通运营的稳定性与可持续性，需要开展地铁列车司机的驾驶风险监督防护措施和维保工作，以提高列车行驶安全。虽然采用人工智能技术与计算机系统作为辅助，但作为高速轨道列车运行的直接指挥和操控岗位行车人员在工作过程中需要精力高度集中，这也将导致列车司机在驾驶列车过程中发生司机注意力不集中、打瞌睡等状况时，极易产生工作疲劳，容易造成安全事故[1]。操控岗位行车人员的工作行为、精神状态需要对列车司机或者行车人员的工作状态，如工作是否疲劳、有无错误操作。列车司机驾驶过程中司机状态检测、司机室内环境变化的监控，如湿度、温度、烟雾浓度等进行实时监测，将直接影响到轨道列车行车过程。

因此，在列车行驶过程中，需要对列车司机驾驶工作状态及列车驾驶室内的环境进行实时监测和管理，以避免列车运行事故的发生[2]。

1  列车在途状态智能联动检测系统

列车在途状态智能联动检测系统在司机室内安装有高清摄像头以及环境检测系统，对司机状态以及司机室内环境数据进行采集，并将数据实时传送到监控中心。后台服务器会对传输数据进行数据分析，判断司机的实时状态，如果在驾驶过程中，司机如果出现疲劳，注意力不集中状态，系统会对正在驾驶的司机进行语言提醒，同时在监控中心内也会显示司机的状态情况，而另外，司机室内环境状况也是至关重要的，系统也会将驾驶室内的环境状况数据传输到监控中心，并实时显示。该系统的远程监视监控工作人员可以实时获得在线轨道列车的运行状态以及司机是否疲劳状态，同时，列车在运行过程中发生任何情况，可立即获知该列车的信息，包括列车司机的疲劳状态以及列车行驶状况[3]。本文一种列车司机在途疲劳状态检测及预警的方法，主要有四个部分组成：实时获取在线地铁列车运行状态、实时获取在线地铁列车环境数据、车地无线通信系统、列车在途状态展示。如图1所示。

列车司机在途疲劳状态检测与远程监控主要实现以下几个功能：

（1）实时获取列车在途运行状态：当列车在行使过程中通过该系统在司机处于疲劳状态智能检测过程中，利用列车数据采集装置模块将每个列车厢中各个设备的数据，如车辆状态数据、列车设备数据、列车故障信息、列车司机精神状态数据等汇聚上传地面列车状态到远程监视中心人员。该远程监视中心人员可以在监控室实时获知在线地铁列车的运行状态，列车在運行过程中如果发生了任何地点、任何维修故障。

（2）车地无线通信系统：该系统主要包括5G通信传输模块、车载主控模块、信号系统数据采集模块，实现信号系统及车辆数据转发功能。

（3）实时获取在线地铁列车环境数据：列车在途状态智能联动检测系统在驾驶室内安装高清摄像头以及环境检测系统，对司机状态及环境数据进行采集，并将数据实时传送至监控中心。

2  列车司机状态监测软件算法

列车司机状态监测软件算法主要基于非接触式监测方法，适应性强的人工智能的视觉分析技术，由于城市轨道列车在行驶过程中路况比较复杂，如高架、地面、隧道等路况，采集司机面部光线比较复杂，而且采集到司机人脸信息还有明显黑暗差异，所以跟踪分析列车司机的眼睛状态来分析司机疲劳程度是关键。图2是列车司机疲劳状态监测算法流程图。

本文主要算法由3个部分组成：

（1）列车司机的图像滤波降噪处理和光照补偿处理。在轨道交通列车驾驶室内拍摄的列车司机图像，对列车司机图像进行预处理，该预处理主要采用非线性的中值滤波法去除列车司机图像中降噪处理和光照补偿处理。

（2）人脸检测定位方法。是一种主要采用级联结构人脸分类器在分割出的肤色区域里准确检测人脸的方法[4]，具体实施步骤为：

第一步：列车司机图像预处理，由于在YCbCr颜色空间具有色度和亮度分离优点，Y代表亮度分量，Cb代表蓝色分量，而Cr代表红色分量[5]，针对列车司机肤色和背景图的聚类分布特性比较好分离，而且具备高斯两维独立分布，可以很好地将列车司机头部图像分布区域与列车驾驶室内部背景图分开，从列车司机的头部信息，作为人脸检测定位算法原始训练集。

第二步：反复修改训练列车司机图像的数据的权值分布，得到列车司机的人脸区域，如图3所示。

输入：列车司机图像的训练数据集如（x₁，y₁），（x₂，y₂），（x₃，y₃），（x₄，y₄）…（x_m，y_n）。

输出：最终分类器G（x），得到列车司机的人脸信息。

图4中从左到右，可见最终的求和与符号函数，再看到右边求和之前，图中的虚线表示不同轮次的迭代效果，第1次迭代时，只有第1行的结构，第2次迭代时，包括第1行与第2行的结构。通过列车司机图像数据集dataset与数据权重W（i）训练弱分类器（i），并得出其分类错误率，这样计算出其弱分类器权重α_m（i），最终分类器G（x）可以得到列车司机的人脸图像，将背景其他图像剔除掉[7]，如图5所示。

第三步：得到人脸区域，进一步确定人的眼睛。在确认人脸区域后，进行使用该方法，进一步确认眼睛位置，实现级联结构增强的定位识别。

3  列车司机张闭眼睛判断方法

判断列车司机疲劳的方法，我们的人脸特征点有68个，如图6所示。

计算闭眼方法，将左眼的特征点提取并连接成多边形，如图7和图8所示。

4  列车司机疲劳算法判别方法

对眼部和嘴部分别进行了特征提取，并对其作了状态分析，则用眼部和嘴部的融合状态判断驾驶员是否为疲劳[9]，这样就相对提高了疲劳判断的全面性和准确性，如图10疲劳算法判别流程图。眼睛状态判定时，眼睛睁开六边形的面积，经本实验确定阈值为面积大于0，同时，本文选择连续超过3～5秒（本文统计选择5 s）认为驾驶员处于疲劳状态。

5  结  论

在列车司机室内安装有高清摄像头、语音装置、环境检测装置以及数据传输装置，系统将会对司机的面部，行为动作以及室内的温度、湿度、烟雾浓度等数据进行采集，并将这些数据实时传输，服务器将会对传输来的数据进行分析[10]。根据采集到的司机面部、行为动作等数据对司机的精神状态得出一个判断结果，同时将结果反映到监控中心，以达到对司机精神状态实时监控的目的。在驾驶过程中，当司机以精神饱满的状态进行驾驶，系统会在监控中心显示“状态良好”，当司机的精神状态萎靡，出现疲劳、注意力不集中时，系统便会在监控中心显示“状态差”，司机室内的语音系统也会对司机发出提醒，以提醒司机及时换人休息，保证列车司机的精神状态。

参考文献：

[1] 陈多伟.铁路行车安全事故分析及防范对策 [J].工业技术创新，2016，3（5）：1056-1059.

[2] 王亮军，陈燕飞，靳育权.城市轨道交通列车司机驾驶状态监测研究 [J].中国新技术新产品，2020（5）：10-12.

[3] 李欣，陈洪茹.全自动驾驶轨道交通综合监控系统关键功能要点研究 [J].工程建设与设计，2016（14）：172-175.

[4] 李强.基于PERCLOS的列车司机驾驶疲劳检测研究 [D].北京：北京交通大学，2014.

[5] 周灵飞.基于DM642和统计颜色模型的火灾检测研究 [D].西安：西安电子科技大学，2013.

[6] 王海川，张立明.一种新的Adaboost快速训练算法 [J].复旦学报（自然科学版），2004（1）：27-33.

[7] nk_wavelet，AdaBoost人脸检测介绍（3）：AdaBoost算法流程 [EB/OL].[2021-08-22].https：//www.it610.com/article/1282735567196405760.htm.

[8] 黄伊琳，张征.基于HTML5的微信游戏设计 [J].计算机系统应用，2017，26（8）：261-266.

[9] 王豪荣.基于人脸特征融合的疲劳检测方法研究 [D].西安：长安大学，2015.

[10] 赵东辉.基于物联网的智慧园区信息平台的设计与实现 [D].石家庄：河北科技大学，2018.

作者简介：江跃龙（1984—），男，汉族，福建龙岩人，电子工程师，硕士研究生，研究方向：人工智能领域、智能信息系统、机器学习、机器视觉。